최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기응용통계연구 = The Korean journal of applied statistics, v.26 no.2, 2013년, pp.361 - 373
There are a wide variety of clustering algorithms; subsequently, we need a measure of similarity between two clustering methods. Such a measure can compare how well different clustering algorithms perform on a set of data. More numbers of compared clustering algorithms allow for more number of value...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
연결행렬그림을 통해 알 수 있는 사실은? | 연결행렬그림은 하나의 군집분석방법에 대한 연결행렬을 도식화한 그림으로서 x-축과 y-축에 개체들을 배열하고 각각 두 개체들의 쌍에 대하여 이들 쌍이 동시에 속한 군집들을 구분하여 표시한 그림이다. 이 연결행렬 그림을 통하여 하나의 군집분석방법이 개체들을 어떻게 무리지어 군집으로 나누는 지를 파악할 수 있게 된다. 합의행렬그림은 관심 있는 L개의 군집분석방법들 모두를 대상으로 한 합의행렬을 도식화한 그림으로서 x-축과 y-축에 개체들을 배열하고 각각 두 개체들의 쌍에 대하여 이들 쌍이 동시에 같은 군집에 속하는 경우가 L번 중 얼마나 있는 지를 회색의 명암으로 나타낸다. | |
군집분석을 위한 알고리즘의 종류로는 어떤 것들이 있나? | 군집분석[집락분석]을 위한 알고리즘은 매우 많다(계층적 군집법, 비계층적 군집법, 모형기반 군집법, SOM, 퍼지군집법 등). 이러한 군집분석 방법들이 개체들을 어떻게 여러 개의 군집으로 나누는 지를 서로 비교하기 위해서는 나누어지는 군집들이 얼마나 동일한가를 알 수 있는 동의 측도[지수](agreement measure[index])가 필요하다. | |
연결행렬그림이란? | 우리는 상사그림에 대한 보조 그림도구로서 연결행렬그림과 합의행렬그림을 그릴 수 있다. 연결행렬그림은 하나의 군집분석방법에 대한 연결행렬을 도식화한 그림으로서 x-축과 y-축에 개체들을 배열하고 각각 두 개체들의 쌍에 대하여 이들 쌍이 동시에 속한 군집들을 구분하여 표시한 그림이다. 이 연결행렬 그림을 통하여 하나의 군집분석방법이 개체들을 어떻게 무리지어 군집으로 나누는 지를 파악할 수 있게 된다. |
Banerjee, A., Dhillon, I. S., Ghosh, J. and Sra, S. (2005). Clustering on the unit hypersphere using von Mises-Fisher distributions, Journal of Machine Learning Research, 6, 1345-1382.
Brouwer, R. K. (2009). Extending the rand, adjusted rand and jaccard indices to fuzzy partitions, Journal of Intelligence and Information System, 32, 213-235.
Campello, R. J. G. B. (2007). A fuzzy extension of the Rand index and other related indexes for clustering and classification assessment, Pattern Recognition Letters, 28, 833-841.
Ceccarelli, M. and Maratea, A. (2008). A fuzzy extension of some classical concordance measures and an efficient algorithm for their computation, KES 2008, Part III, LNAI 5179, 755-763.
Fowlkes, E. and Mallows, C. (1983). A Method for comparing two hierarchical clusterings, Journal of American Statistical Association, 78, 553-569.
Harrison, D. and Rubinfeld, D. (1978). Hedonic prices and the demand for clean air, Journal of Environmental Economics & Management, 5, 81-102.
Hubert, L. and Arabie, P. (1985). Comparing partitions, Journal of Classification, 2, 193-218.
Meila, M. (2007). Comparing clustering-An information based distance, Journal of Multivariate Analysis, 98, 873-895.
Song, M. S. and Cho, S. S. (2004). Statistical Data Analysis Using SAS, 2nd ed., Free-Academy, Seoul.
Strehl, A. and Ghosh, J. (2002). Cluster ensembles - a knowledge reuse framework for combining multiple partitions, Journal of Machine Learning Research, 3, 583-617.
Rand, W. (1971). Objective criteria for the evaluation of clustering methods, Journal of American Statistical Association, 66, 846-850.
Unnikrishnan, R., Pantofaru, C. and Hebert, M. (2007). Toward objective evaluation of image segmentation Algorithms, IEEE Transactions On Pattern Analysis And Machine Intelligence, 29, 929-944.
Vinh, N. and Epps, J. (2009). A novel approach for automatic number of clusters detection in microarray data based on consensus clustering, 9th IEEE International Conference on Bioinformatics and Bioengineering, 84-91.
Warrens, M. J. (2008). On the equivalence of Cohen's Kappa and the Hubert-Arabie adjusted Rand index, Journal of Classification, 25, 177-183.
Yu, Z., Wong, H.-S. and Wang, H. (2007). Graph-based consensus clustering for class discovery from gene expression data, Bioinformatics, 23, 2888-2896.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.